¿Qué es la IA en el edge? Claves para entender la inteligencia artificial en el edge

La IA en el extremo consiste en desplegar algoritmos y modelos de inteligencia artificial en un entorno de computación en el extremo, acercando la capacidad de procesamiento y la inteligencia al lugar donde se toman las decisiones, en parte para reducir el flujo continuo de comunicaciones entre las ubicaciones periféricas y la nube. La IA en el extremo permite que los dispositivos situados en la periferia de la red procesen los datos localmente, lo que posibilita la toma de decisiones en tiempo real sin depender de conexiones a Internet ni de servidores centralizados en la nube para el procesamiento, aumenta la velocidad de cálculo y mejora la privacidad y la seguridad de los datos.

Comprender la IA en el edge

La IA en el borde es la convergencia de múltiples tecnologías, entre ellas la inteligencia artificial, el Internet de las cosas (IoT), la computación en el borde, y los sistemas integrados, cada una de las cuales desempeña un papel fundamental a la hora de permitir el procesamiento inteligente y la toma de decisiones en el borde de la red. La IA en el borde utiliza algoritmos integrados para supervisar la actividad de un sistema remoto, así como para procesar los datos recopilados por dispositivos como sensores y otros sistemas de seguimiento de datos no estructurados, entre ellos la temperatura, el lenguaje, los rostros, el movimiento, las imágenes, la proximidad y otras entradas analógicas.

Estos sistemas remotos pueden adoptar muchas formas, como sensores, smartphones, dispositivos IoT, drones, cámaras e incluso vehículos y electrodomésticos inteligentes. Los datos recopilados de estos sistemas sirven como entrada para los algoritmos de IA en el edge y proporcionan información valiosa sobre el estado del sistema o de su entorno, lo que permite a los sistemas de IA en el edge responder rápidamente a cambios o anomalías y comprender el entorno en el que operan. Estas aplicaciones de IA en el edge serían poco prácticas o incluso imposibles de ejecutar en un entorno centralizado en la nube o en un centro de datos empresarial debido a cuestiones relacionadas con el coste, la latencia, el ancho de banda, la seguridad y la privacidad.

La IA en el edge abarca una amplia variedad de casos de uso, entre los que se incluyen:

• Vehículos autónomos. La IA en el edge permite a los vehículos analizar los datos de los sensores en tiempo real para tomar decisiones en fracciones de segundo en tareas como la detección de objetos, el seguimiento de carriles y la prevención de colisiones, sin depender constantemente de la conectividad con la nube.
• Ciudades inteligentes. Los datos procedentes de sensores y cámaras instalados en toda una zona urbana pueden servir de base para diversas aplicaciones de ciudades inteligentes, como la gestión del tráfico, la vigilancia de la seguridad pública, la gestión de residuos y la optimización energética.
• Monitorización agrícola. La IA en el edge facilita la agricultura de precisión mediante el análisis de datos procedentes de sensores, drones e imágenes por satélite para supervisar la salud de los cultivos, optimizar el riego, detectar plagas y analizar en tiempo real las condiciones ambientales.
• IoT industrial. Al implementar algoritmos de IA directamente en los equipos y sensores de fabricación, los dispositivos periféricos pueden supervisar el estado de la maquinaria, detectar defectos y optimizar los procesos de producción sin depender de servidores centralizados.
• Monitorización sanitaria. La IA en el edge permite monitorizar a los pacientes a distancia y ofrecer una atención sanitaria personalizada mediante el análisis de datos procedentes de dispositivos ponibles, sensores médicos y equipos de diagnóstico por imagen, con el fin de analizar los datos médicos en tiempo real y alertar a los profesionales sanitarios de posibles problemas de salud.

IA en el edge frente a IA en la nube

Existen dos paradigmas principales para implementar algoritmos y modelos de IA: en el extremo de la red o en la nube. Las estrategias para integrar sistemas que abarcan ubicaciones en la nube y en el extremo se denominan «cloud-in» o «edge-out», y ambas tienen implicaciones para el rendimiento, la seguridad y las operaciones.

La IA en el edge consiste en implementar IA en dispositivos remotos para permitir el procesamiento y la toma de decisiones en tiempo real en el extremo de la red o en entornos descentralizados. Estos sistemas pueden analizar los datos en gran medida de forma local, sin depender de la conectividad de red ni transmitirlos a servidores centralizados, lo que reduce la latencia y agiliza los tiempos de respuesta. Los sistemas de IA en el edge también mantienen los datos confidenciales en el entorno local, lo que reduce el riesgo de vulneraciones de la privacidad o los riesgos de seguridad asociados a la transmisión de datos a la nube.

Algunos ejemplos de IA en el borde son los vehículos autónomos, que utilizan IA implementada localmente para analizar los datos de los sensores y tomar decisiones de conducción en tiempo real, y los dispositivos domésticos inteligentes, que utilizan IA en el borde para procesar comandos de voz o vigilar las instalaciones y detectar intrusos.

Por otro lado, la IA en la nube se caracteriza por el despliegue de algoritmos y modelos de IA en servidores centralizados en la nube, lo que permite procesar datos, entrenar modelos y realizar inferencias a gran escala. Los recursos en la nube ofrecen una gran capacidad de computación, lo que permite llevar a cabo tareas complejas de IA, como el entrenamiento de modelos de aprendizaje profundo o el análisis de macrodatos, que requieren una enorme potencia de cálculo. Las soluciones de IA en la nube pueden escalar fácilmente para gestionar grandes volúmenes de datos y usuarios, por lo que resultan adecuadas para aplicaciones con un alto rendimiento o que requieren muchos recursos.

Los motores de recomendación, como los que utilizan Amazon o Netflix para ofrecer a los consumidores productos nuevos o alternativos basándose en una gran cantidad de datos de los usuarios, son ejemplos de sistemas de IA en la nube a gran escala que requieren importantes recursos informáticos para funcionar de forma óptima.

Otros casos de uso de la IA combinan la IA en el extremo y la IA en la nube para satisfacer las necesidades específicas de los clientes. Ejemplos reales como Sentient.io, un proveedor de plataformas de IA y datos con sede en Singapur, que ha desarrollado Sentient Marketplace, un centro de servicios innovadores de IA que permite a las empresas integrar fácilmente la IA en sus flujos de trabajo actuales. Sin embargo, el rápido éxito de la plataforma planteó varios retos complejos, entre ellos la dificultad de operar e implementar servicios de IA en entornos distribuidos: instalaciones locales, nube pública, nube privada y dispositivos en el extremo.

Al operar con varios proveedores en las instalaciones de los clientes, las soluciones de cada proveedor de nube pueden ofrecer distribuciones propias de Kubernetes, lo que puede resultar abrumador para las organizaciones que necesitan aprovechar estas plataformas en sus respectivos entornos de nube. El proceso de implementación de los modelos de IA de Sentient en las instalaciones de los clientes también resultaba engorroso, ya que requería configurar entornos locales de Kubernetes para cada ubicación perimetral y gestionar manualmente las actualizaciones y la sincronización de los nuevos modelos. Esto aumentaba la complejidad operativa y generaba incoherencias en la orquestación de los flujos de trabajo y en las políticas de seguridad.

Sentient.io se asoció con F5 para ofrecer soluciones de IA «como servicio» llave en mano y de nivel empresarial a clientes de diversos sectores mediante F5 Distributed Cloud App Stack, una plataforma Kubernetes preparada para empresas que simplifica las implementaciones en entornos locales, en la nube y en ubicaciones perimetrales. La solución optimizó las operaciones de Sentient, redujo la latencia y permitió procesar la IA en tiempo real en el perímetro. Ejecutar la inferencia en el perímetro elimina las limitaciones de red y ancho de banda derivadas de la ubicación geográfica y garantiza que los resultados de la inferencia se proporcionen de inmediato a las aplicaciones en tiempo real. Este cambio en la implementación de modelos permitió a Sentient.io ofrecer a sus clientes aplicaciones de IA de alto rendimiento, acelerar la obtención de valor, optimizar la asignación de recursos, reducir los costes operativos generales e integrar de forma nativa la seguridad de las aplicaciones y las API.

La colaboración también permitió ahorrar costes significativos en comparación con el proceso anterior de gestionar manualmente varias plataformas en la nube, que requería equipos dedicados y conllevaba unos costes de recursos considerables. Con F5 Distributed Cloud Services, Sentient simplificó las operaciones y redujo los costes mediante la optimización de los recursos y la simplificación de la gestión de las aplicaciones, lo que permitió liberar recursos para otras iniciativas estratégicas.

Acceso a la IA en el edge

El acceso a la IA en el edge requiere implementar una combinación de dispositivos, tecnologías, componentes de infraestructura e integraciones que permitan acceder a las capacidades de IA en el extremo de la red y utilizarlas de forma eficiente. Entre ellos se incluyen:

• Dispositivos de borde. Equipados con sensores y microcontroladores, los dispositivos de borde recopilan datos del mundo físico y pueden alojar modelos de IA de borde para procesarlos localmente. Algunos ejemplos de dispositivos IoT son los termostatos inteligentes, las cámaras de vigilancia, los monitores de humedad del suelo y los sensores industriales. Los dispositivos de borde también pueden incluir smartphones y tabletas, que no solo detectan su entorno, sino que también pueden aprovechar su capacidad de procesamiento y conectividad para realizar tareas de IA de borde.
• Tecnologías. El funcionamiento de sistemas de IA en el extremo de la red requiere diversas tecnologías especializadas, como algoritmos entrenados y modelos de IA optimizados para su implementación en dispositivos con recursos limitados. También existen marcos y plataformas de IA en el extremo que proporcionan herramientas y bibliotecas para simplificar el desarrollo y la implementación de sistemas.
• Infraestructura. Se necesita una conectividad de red fiable, ya sea por cable o inalámbrica, para que los dispositivos de IA en el extremo puedan comunicarse entre sí y, cuando sea necesario, con servidores centralizados. Esta infraestructura puede incluir componentes de hardware como servidores perimetrales, puertas de enlace y routers. Además, las API son el eje central de las arquitecturas de IA, ya que permiten que los distintos componentes y servicios se comuniquen entre sí e intercambien datos e instrucciones.
• Integraciones. Los sistemas de IA en el edge deben poder integrarse con las redes y la infraestructura existentes para garantizar la accesibilidad de los datos, permitir la escalabilidad y la compatibilidad con otros componentes del sistema, y simplificar la gestión.

Asimismo, tenga en cuenta los siguientes retos y limitaciones a la hora de implementar y acceder a la IA en el edge.

• Potencia de cálculo y conectividad limitadas. La mayoría de los dispositivos periféricos tienen una capacidad de procesamiento, una memoria y un almacenamiento limitados, lo que puede restringir la complejidad y el tamaño de los modelos de IA que pueden funcionar en el extremo de la red. Además, estos dispositivos suelen operar en entornos con opciones limitadas de conectividad de red, lo que también puede afectar a la capacidad de respuesta, el rendimiento y la fiabilidad de los sistemas de IA en el extremo de la red.
• Coste y disponibilidad. Muchos modelos de IA se benefician de aceleradores de cargas de trabajo, como las unidades de procesamiento gráfico (GPU) y las unidades de procesamiento de datos (DPU), que permiten un procesamiento más rápido. Sin embargo, las GPU, en particular, son caras y, debido a sus limitaciones físicas, pueden ser demasiado grandes para utilizarlas en dispositivos de tamaño reducido. Esto puede limitar los tipos de algoritmos de IA que se pueden implementar en dispositivos periféricos y hacer necesario el uso de técnicas de optimización alternativas.
• Privacidad de los datos. Algunos sistemas de IA en el edge generan y procesan localmente datos sensibles o protegidos, lo que suscita preocupación por la privacidad de los datos y el cumplimiento de normativas como la HIPAA o el RGPD. Para garantizar la privacidad de los datos y el cumplimiento de los requisitos legales, puede ser necesario aplicar medidas adecuadas de anonimización y cifrado de datos, así como de control de acceso.
• Gestión de dispositivos. Implementar, supervisar, actualizar y mantener sistemas de IA en el borde distribuidos en ubicaciones geográficamente dispersas puede resultar complicado y requiere herramientas y plataformas de gestión eficientes.

Medidas de seguridad para la IA en el edge

Proteger los datos y mitigar los riesgos de seguridad en las implementaciones de IA en el edge requiere una estrategia integral que haga hincapié en la seguridad multicapa. Aunque la IA en el edge difiere de las cargas de trabajo informáticas tradicionales en aspectos importantes, como su capacidad para aprender de los datos y adaptar su comportamiento en función de la experiencia, en cuanto a los requisitos de seguridad tiene mucho en común con los sistemas de IoT más convencionales y comparte muchos de sus riesgos, entre ellos:

• Malware y ciberataques. Los dispositivos de IA en el edge son vulnerables a infecciones de malware, ciberataques y ataques remotos si no se protegen adecuadamente. La implementación de software antivirus, sistemas de detección de intrusiones y actualizaciones periódicas de software debe formar parte de toda estrategia de seguridad de IA en el edge.
• Seguridad de la red. Los dispositivos de IA en el borde suelen comunicarse entre sí y con servidores centralizados a través de redes, lo que los convierte en posibles objetivos de ataques basados en la red. Proteja las comunicaciones de red mediante mecanismos de cifrado, autenticación y control de acceso para proteger los datos en tránsito e impedir el acceso no autorizado a los recursos de red.
• Integridad de los datos. Para mantener la precisión y la fiabilidad de los modelos de IA y los procesos de toma de decisiones, es necesario proteger la integridad de los datos procesados por los dispositivos de IA en el borde. Para detectar y mitigar la alteración, manipulación o corrupción de los datos, es necesario implementar mecanismos de validación de datos, sumas de comprobación y controles de integridad que permitan verificar la autenticidad y la coherencia de los datos de entrada.
• Seguridad física. Los dispositivos de IA en el borde suelen instalarse en entornos remotos u hostiles, lo que los hace vulnerables a daños, manipulaciones físicas, robos o actos vandálicos. Las medidas de protección física, como las carcasas resistentes a manipulaciones o las cámaras de vigilancia, ayudan a proteger los dispositivos frente a daños, manipulaciones o accesos no autorizados.
• Seguridad de las API. Los ecosistemas de IA, incluidos los complementos, funcionan mediante API, que están expuestas a vulnerabilidades, usos indebidos, configuraciones incorrectas y ataques que eluden controles de autenticación y autorización deficientes.
• Seguridad de los modelos de lenguaje de gran tamaño (LLM). Los LLM y los procesos pertinentes de entrenamiento e inferencia asociados a la toma de decisiones en aplicaciones basadas en IA generativa están expuestos a numerosos riesgos, como la inyección de instrucciones, el envenenamiento de datos, las alucinaciones y los sesgos.

Para obtener un análisis exhaustivo de los riesgos de seguridad que conlleva la implementación y gestión de sistemas de IA basados en LLM, incluidas las aplicaciones de IA en el extremo, consulte el Top 10 de OWASP para aplicaciones de modelos de lenguaje de gran tamaño, que fomenta la concienciación sobre sus vulnerabilidades, propone estrategias de mitigación y busca mejorar la postura de seguridad de las aplicaciones basadas en LLM.

Estrategias de optimización para la IA en el edge

Debido a su ubicación en el extremo de la red o en otros lugares remotos, es importante optimizar la infraestructura de IA en el extremo para mejorar el rendimiento, el uso de los recursos, la seguridad y otros aspectos. Sin embargo, optimizar la eficiencia y el rendimiento de los dispositivos con recursos limitados puede resultar complicado, ya que reducir al mínimo los requisitos de procesamiento, memoria y energía manteniendo un rendimiento aceptable suele implicar ciertas concesiones.

Mejora del rendimiento de la IA en el edge

Existen varias estrategias para optimizar el rendimiento computacional en el extremo de la red y, al mismo tiempo, limitar el consumo energético. La implementación de técnicas de ahorro de energía, como los modos de bajo consumo, los estados de suspensión o el escalado dinámico de tensión y frecuencia (DVFS), puede ayudar a reducir dicho consumo. Los aceleradores de hardware, como las GPU y las DPU, pueden descargar de la CPU las tareas que requieren un uso intensivo de recursos computacionales, lo que mejora la velocidad de inferencia. Se pueden utilizar técnicas como el procesamiento dinámico por lotes, la inferencia adaptativa o la dispersión de modelos para optimizar el uso de los recursos sin sacrificar el rendimiento. Las tareas menos exigentes pueden gestionarse mediante recursos de CPU, lo que pone de relieve la importancia de agrupar recursos en arquitecturas altamente distribuidas.

Adaptación de modelos para la computación en el borde

Los dispositivos de IA en el edge suelen disponer de recursos computacionales limitados, por lo que es necesario implementar modelos de IA ligeros y optimizados para este tipo de dispositivos. Esto puede implicar buscar un equilibrio entre la complejidad del modelo, la precisión y la velocidad de inferencia a la hora de seleccionar el modelo más adecuado para los recursos del dispositivo y los requisitos de la aplicación. Técnicas como la cuantización y la poda de modelos, así como la destilación de conocimiento, pueden ayudar a reducir el tamaño de los modelos de IA sin una pérdida significativa de rendimiento.

Seguridad optimizada en el edge

El «perímetro difuso» hace referencia a cómo los límites tradicionales de las redes están cada vez menos definidos debido a factores como los dispositivos móviles y la computación en la nube y en el extremo. En el contexto de la IA en el extremo, el perímetro difuso implica que los dispositivos de IA en el extremo suelen desplegarse en entornos de red remotos y dinámicos, en el extremo de la red, y funcionan fuera de los centros de datos o los entornos en la nube, así como al margen de las medidas de seguridad perimetral tradicionales, como los cortafuegos o los sistemas de detección de intrusiones. Por ello, la seguridad de la IA en el extremo tiene requisitos específicos y debe optimizarse para ofrecer protección frente a amenazas como el acceso no autorizado en ubicaciones aisladas y en entornos complejos y distribuidos que dificultan la gestión y la visibilidad de la seguridad.

Además, las API actúan como tejido conectivo y permiten que los distintos componentes de las aplicaciones de IA intercambien datos e instrucciones. Proteger estas conexiones de API y los datos que circulan por ellas supone un reto de seguridad crítico que las empresas deben afrontar al implementar aplicaciones basadas en IA, lo que hace necesario desplegar servicios de protección de aplicaciones web y API que detecten dinámicamente los endpoints y los protejan automáticamente frente a diversos riesgos.

Seguridad para modelos de lenguaje de gran tamaño

Los LMM son modelos de inteligencia artificial basados en enormes cantidades de datos textuales y entrenados para comprender y generar resultados en lenguaje natural con una fluidez y una coherencia extraordinarias, similares a las humanas. Los LLM, que constituyen el núcleo de las aplicaciones de IA generativa, suelen entrenarse con datos de entrada y contenidos extraídos sistemáticamente de Internet, como libros en línea, publicaciones, sitios web y artículos. Sin embargo, estos datos de entrada pueden ser objeto de ataques por parte de agentes maliciosos que los manipulan intencionadamente para engañar a los modelos de IA generativa o comprometer su rendimiento, lo que puede dar lugar a vulnerabilidades, sesgos, resultados poco fiables, vulneraciones de la privacidad y la ejecución de código no autorizado.

Entre los principales riesgos de seguridad para los LLM se encuentran:

• Inyección de prompts. Los atacantes pueden manipular los prompts de entrada de los LMM para influir en los resultados generados y socavar la fiabilidad y credibilidad de los resultados generados por los LLM mediante la creación de contenido sesgado, ofensivo o inexacto.
• Envenenamiento de modelos. Estos ataques consisten en introducir datos maliciosos durante la fase de entrenamiento de los LLM para manipular su comportamiento o comprometer su rendimiento. Al incorporar muestras de datos envenenados al conjunto de datos de entrenamiento, los atacantes pueden introducir sesgos, vulnerabilidades o puertas traseras en el modelo LLM entrenado.
• Denegación de servicio del modelo (DoS). Estos ataques afectan a la disponibilidad y el rendimiento de los LLM al saturarlos con solicitudes o entradas maliciosas que pueden superar los límites de tokenización de solicitudes y de la ventana de contexto del LLM, lo que provoca ralentizaciones, interrupciones o caídas del servicio. Estos ataques de agotamiento de recursos pueden degradar el rendimiento o causar inestabilidad en el sistema, lo que afecta a la disponibilidad y fiabilidad del sistema de IA y compromete la capacidad del modelo para aprender y responder a las instrucciones de los usuarios.

Abordar estos retos de seguridad exige un enfoque multidimensional que evite las inyecciones de prompts y emplee técnicas como la depuración de prompts, la validación de entradas y el filtrado de prompts para garantizar que el modelo no sea manipulado mediante entradas creadas con fines maliciosos. Para contrarrestar los ataques de denegación de servicio (DoS), se debe crear una estrategia de defensa por capas que incluya la limitación de solicitudes, la detección de anomalías y el análisis del comportamiento para detectar e identificar actividades de red sospechosas o maliciosas. El sector sigue evolucionando para gestionar eficazmente estos riesgos, lo que está impulsando el rápido desarrollo de proxies, cortafuegos y puertas de enlace para LLM, así como de middleware seguro en las pilas de aplicaciones.

El futuro de la IA en el edge

La IA en el extremo forma parte de un conjunto de tecnologías en rápida evolución que operan en el extremo de la red y están dando paso a una nueva era de entornos informáticos inteligentes, con mayor capacidad de respuesta y más eficientes. Estas tecnologías, situadas en la confluencia de los avances en procesadores, redes, software y seguridad, están abriendo nuevas posibilidades de innovación y transformación en todos los sectores. Estos casos de uso de la computación en el extremo aprovechan el análisis y la toma de decisiones en tiempo real en el extremo de la red, lo que permite a las organizaciones procesar y analizar los datos más cerca de su origen, mejorar los tiempos de respuesta de las aplicaciones sensibles a la latencia y garantizar la entrega de contenidos en tiempo real.

La distribución de recursos informáticos en el extremo de la red también permite a las organizaciones adaptarse rápidamente a los cambios en las demandas de las cargas de trabajo y optimizar el uso de los recursos para mejorar el rendimiento y la eficiencia generales del sistema. Estas posibilidades se deben, en parte, a la evolución de componentes diseñados específicamente para infraestructuras de computación en el extremo, como servidores de extremo, plataformas y bibliotecas de computación en el extremo, y procesadores con IA integrada que proporcionan los recursos informáticos, de almacenamiento y de red necesarios para admitir aplicaciones de IA en el extremo.

La IA en el edge ha desempeñado un papel fundamental en el renacimiento de la infraestructura en el extremo de la red, y la integración de la IA con el IoT sigue impulsando la toma de decisiones inteligente en el edge, lo que fomenta aplicaciones revolucionarias en la atención sanitaria, la automatización industrial, la robótica, las infraestructuras inteligentes y muchos otros ámbitos.

TinyML es un enfoque del aprendizaje automático y la IA que se centra, en parte, en la creación de modelos y algoritmos de aprendizaje automático ligeros, optimizados para su implementación en dispositivos periféricos con recursos limitados, como microcontroladores y dispositivos de IA en el extremo. Los algoritmos basados en TinyML están diseñados para ser energéticamente eficientes y ejecutar tareas de inferencia de forma local sin depender de recursos en la nube.

Además, los procesadores compactos y potentes, como las DPU, que son componentes de hardware especializados diseñados para descargar de la CPU las tareas de procesamiento de datos y acelerarlas, se utilizan cada vez más en la computación en el extremo y en las cargas de trabajo de IA/ML, donde el procesamiento eficiente de grandes cantidades de datos es fundamental para el rendimiento y la escalabilidad. Esta eficiencia resulta especialmente valiosa en entornos de computación en el extremo en los que las limitaciones energéticas pueden restringir el uso de soluciones basadas en GPU con un consumo energético elevado.

Una nueva generación de soluciones de red conecta estas innovaciones en un continuo del edge a la nube y al centro de datos y permite procesar y analizar datos, así como garantizar la observabilidad de forma fluida en arquitecturas distribuidas, incluidos los recursos de computación híbrida, multinube y en el edge. Estas redes dependerán cada vez más de las API, que son componentes esenciales de las plataformas de edge computing, ya que facilitan la comunicación, la integración y la automatización para permitir un intercambio y una sincronización de datos fluidos en entornos de computación distribuida. Las API también permiten la interoperabilidad entre distintos dispositivos, sistemas y servicios del edge mediante interfaces estandarizadas, lo que, a su vez, posibilita el aprovisionamiento, la gestión y el control dinámicos de los recursos y servicios del edge.

En estas arquitecturas distribuidas de gran alcance, los datos pueden procesarse y analizarse de forma segura en múltiples puntos del continuo, desde dispositivos de edge computing ubicados cerca de las fuentes de datos hasta servidores en la nube centralizados —o dispersos— alojados en centros de datos. Este continuo del edge a cualquier entorno permite a las organizaciones aprovechar de forma segura las ventajas de múltiples entornos informáticos e integrar cargas de trabajo tradicionales y de IA para satisfacer los diversos requisitos de las aplicaciones modernas.

Cómo puede ayudar F5

F5 es el único proveedor de soluciones que protege, distribuye y optimiza cualquier aplicación y cualquier API, en cualquier lugar y en todo el espectro de entornos distribuidos, incluidas las aplicaciones de IA en el extremo de la red. Las aplicaciones basadas en IA son las más avanzadas entre las aplicaciones modernas y, aunque existen consideraciones específicas para los sistemas que emplean IA generativa, como los riesgos asociados a los LLM y la inferencia distribuida, estas aplicaciones también están expuestas a problemas de latencia, ataques de denegación de servicio, vulnerabilidades de software y abusos por parte de agentes maliciosos que utilizan bots y automatización maliciosa.

Las nuevas experiencias digitales impulsadas por la IA están altamente distribuidas y combinan fuentes de datos, modelos y servicios que se extienden por entornos locales, en la nube y en el extremo de la red, todos ellos conectados mediante una red de API en expansión que plantea importantes retos de seguridad. Proteger estas conexiones de API y los datos que circulan por ellas es el principal reto de seguridad al que deben hacer frente las empresas a medida que implementan más servicios basados en IA.

F5 Distributed Cloud Services ofrece la solución de seguridad de API preparada para la IA más completa del sector, con pruebas de código de API y análisis de telemetría que ayudan a proteger frente a sofisticadas amenazas basadas en IA, al tiempo que facilita la protección y la gestión de entornos de aplicaciones multinube y perimetrales. Soluciones F5 Multi-Cloud Networking ofrecen redes basadas en SaaS con optimización del tráfico y servicios de seguridad para nubes públicas y privadas e implementaciones perimetrales, todo ello desde una única consola, lo que reduce la carga de gestión de los servicios dependientes de la nube y de múltiples proveedores externos. Con las soluciones de red de F5, se aceleran las implementaciones de IA y se obtiene una gestión integral de políticas y observabilidad para disponer de una infraestructura fiable y totalmente automatizable.

Además, el nuevo F5 AI Data Fabric constituye la base para crear soluciones innovadoras que ayudan a los clientes a tomar decisiones mejor fundamentadas y actuar con mayor rapidez. La telemetría de Distributed Cloud Services, BIG-IP y NGINX se combina para ofrecer información sin precedentes, generar informes en tiempo real, automatizar acciones y potenciar agentes de IA.

F5 también va a lanzar un asistente de IA que cambiará la forma en que los clientes interactúan con las soluciones de F5 y las gestionan mediante una interfaz de lenguaje natural. Gracias a F5 AI Data Fabric, el asistente de IA generará visualizaciones de datos, identificará anomalías, consultará y generará configuraciones de políticas y aplicará medidas correctivas. También actuará como un gestor de atención al cliente integrado, lo que permitirá a los clientes formular preguntas y recibir recomendaciones basadas en modelos entrenados con bases de conocimiento completas de los productos.

Al impulsar y proteger sus aplicaciones basadas en IA, desde el centro de datos hasta el extremo de la red, las soluciones de F5 ofrecen potentes herramientas que proporcionan un rendimiento y una seguridad predecibles para que pueda obtener el máximo valor de sus inversiones en IA.